이준범, 노명일, 김기수, 한기민, 이갑헌, "딥 러닝을 이용한 해기상 및 소요 마력 예측 모델 개발", 2020년도 대한조선학회 추계학술발표회, 창원, pp. 453-454, 2020.11.05-06
Domestic Conference
2020.10.20 15:04
이준범, 노명일, 김기수, 한기민, 이갑헌, "딥 러닝을 이용한 해기상 및 소요 마력 예측 모델 개발", 2020년도 대한조선학회 추계학술발표회, 창원, pp. 453-454, 2020.11.05-06
조회 수 238
| 첨부 '1' |
|---|
| Abstract | 선박의 소요 마력을 최소로 하는 경제 항로를 결정하기 위해 해기상 예측과 그에 따른 소요 마력 예측이 필요하다. 일반적으로 European Centre for Medium-Range Weather Forecast (ECMWF), Hybrid Coordinate Ocean Model (HYCOM) 등 기상 정보 업체로부터 해기상 정보를 확보할 수 있다. 하지만 일반적인 기상 정보 업체는 6주 정도의 단기 예측을 하기 때문에 장기 예측이 필요할 때는 해기상 정보를 자체적으로 예측해야 한다. 기존의 연구에서는 주로 특정 해역에서 파고, 파 주기, 파향 등 한정적인 해기상 정보에 대한 예측만 이루어져 전 해상 영역에 대한 해기상 정보 예측에는 한계가 존재했다. 따라서 본 연구에서는 파고, 파 주기, 파향, 풍속, 풍향, 유속, 유향, 수온 등 8가지 해기상 정보를 전 해상 영역에 대해 예측하는 방법을 제안하였다. 한편, 소요 마력 추정의 경우, 기존에는 해석적 방법과 통계적인 방법을 조합해 추정하였다. 그래서 추정 결과가 실제 운항 데이터와는 많은 오차가 존재했다. 이러한 한계점을 극복하기 위해 본 연구에서는 실제 운항 데이터를 기반으로 한 소요 마력 추정 방법을 제안하였다. 특히, 본 연구에서는 해기상 및 소요 마력 예측 모델을 개발하기 위해 딥 러닝 기법을 적용했다. 전 해상 영역에 대한 해기상 예측을 위해 시계열 이미지를 예측하는데 적합한 Convolutional LSTM을 활용하였으며, 선박의 소요 마력을 예측하기 위해 DFN (Deep Feedforward Neural network)을 활용하였다. 또한, 예측 정확도의 향상을 위해 데이터의 전처리를 진행하였으며, AutoEncoder, hyperparameters optimization, K-means clustering 등의 기법을 추가로 적용하였다. 제안된 방법의 효용성을 평가하기 위해 실제 값과 개발된 모델로 예측된 결과를 비교하여 검증하였으며, 그 결과 본 연구에서 제안한 방법의 효용성을 확인하였다. Keywords: Ocean environmental data, Ship;s required power, DFN (Deep Feedforward Neural network), Convolutional LSTM (Long Short-Term Memory), AutoEncoder |
|---|---|
| Publication Date | 2020-11-06 |
